面部表情识别的中层表示增强和图形嵌入的不确定性抑制
我们提出了一种考虑不确定性的学习方法,通过明确建模每个个体的不确定性,利用从高斯分布中绘制的随机嵌入,而不是确定性点嵌入,来提取更稳健的组级情绪表示。该方法通过随机性在推理阶段生成不同情绪的概率,从而产生多样化的预测。此外,我们根据不确定性敏感分数自适应地分配个体脸部的融合权重,并开发了一个图像增强模块,以增强模型对严重噪声的鲁棒性。我们的三分支模型包含脸部、物体和场景组件,通过比例加权融合策略和集成所提出的不确定性感知方法来生成最终的组级输出,实验结果证明了我们的方法在三个广泛使用的数据库上的有效性和泛化能力。
Oct, 2023
研究结果显示,SCIU 框架在消除 Dynamic Facial Expression Recognition (DFER) 数据集中的不确定性方面具有显著的效果,并通过严格的实验验证实现了性能指标的显著提升。
Jun, 2024
本文介绍了一种名为动态分辨率引导面部表情识别(DRGFER)的实用方法,该方法能够在分辨率不同的图像中有效地识别面部表情,而不会影响面部表情识别模型的准确性。该方法包括两个主要组成部分:分辨率识别网络(RRN)和多分辨率适应面部表情识别网络(MRAFER)。RRN 确定图像分辨率,输出一个二进制向量,而 MRAFER 根据分辨率将图像分配给适合的面部表情识别网络。我们在广泛使用的 RAFDB 和 FERPlus 数据集上评估了 DRGFER,结果显示我们的方法在每个分辨率上保持了最佳模型性能,并且优于其他分辨率方法。所提出的框架对分辨率变化和面部表情具有鲁棒性,为实际应用提供了有前途的解决方案。
Apr, 2024
本论文提出了基于特征表示学习的位移生成和 Transformer 融合(FRL-DGT)的新框架,用于微表情(ME)识别,实现了对 ME 特征提取和融合的有效学习,相比现有的方法,有了更好的准确度。
Apr, 2023
深度神经网络在面部表情识别中的应用、数据集和算法,针对过拟合和灯光、头部姿态等问题,分析和总结静态和动态图像序列的最新模型和性能,并探讨未来的发展方向和挑战。
Apr, 2018
本文通过构建几何二流图网络、自学习机制和自适应动作单元损失函数,研究了人脸标志物对微表情识别的贡献。实验证明,本文提出的方法具有更高的效率和更低的计算成本,且人脸标志物对微表情识别有重要贡献,值得进一步研究高效的微表情分析。
May, 2022
本研究旨在探索在压缩视频领域内,实现对面部表情的变异性和身份特征的消除,以提取纯净的表情特征,并在测试时只需使用压缩残差帧进行表情预测。
Oct, 2020
创新的 DrFER 方法在 3D 人脸领域引入了概念上的解缠表示学习方法,通过使用双分支框架,有效地将表情信息与身份信息解耦,并通过重新配置损失函数和网络结构适应于点云数据,从而提高了框架在识别面部表情方面的能力,即使在涉及不同头部姿势的情况下,经过对 BU-3DFE 和 Bosphorus 数据集进行的广泛评估表明,DrFER 超过了其他 3D FER 方法的性能。
Mar, 2024
我们提出了一种半监督学习技术来生成未标记面部数据的表情类别伪标签以解决有限 FER 数据集的泛化能力问题,并采用均匀抽样和去偏反馈学习策略来应对数据集中的类别不平衡问题和半监督学习中的数据偏差问题。此外,引入了时间编码器来学习和捕捉静态图像之间的临近表情特征的时间关系,并在第 6 届 ABAW 竞赛中在官方验证集上取得了优秀的成绩,充分证实了我们提出方法的有效性和竞争力。
Mar, 2024
本研究将数据不确定性学习应用于人脸识别,实现对特征(平均值)和不确定性(方差)的同时学习,并提供了有关如何结合不确定性估计来减少噪声样本不利影响以及影响特征学习的深入分析。
Mar, 2020